基于BP神经网络企业利润预测探究

朱 敏

（武汉大学人民医院计财处，湖北 武汉 430000）

企业利润的预测，是在销售预测的基础上，通过对产品产销量、价格、结构等因素进行综合分析与计算，测算企业未来期间可能达到的利润水平及其变动趋势。它是会计预测的重要内容并且其预测方法的选择是否恰当直接关系到预测的准确性和财务预算的实用性。大量文献表明：目前企业利润预测模型缺乏，成本、数量、利润分析法，因素分析法，目标利润分析法这些常用的预测方法只能解决确定性问题的，当影响利润的诸多因素（原材料价格、销售价格等）发生变化时这些方法将很难给出准确的预测[1]。本文构造了BP（Back-Propagation）神经网络，这种网络有着其显著的优越性，即在建模预测过程中，只需要知道历史数据，通过这些历史数据构造出一个模型，然后进行预测，这样可以避免需要知道状态方程的麻烦，也可以避免陷入局部极小。为此本论文采用人工神经网络方法对利润预测进行探究。

BP网络的基本思想。BP神经网络是误差反向传播多层前向反馈式神经网络，它是按层次结构构造的，包括一个输入层、一个输出层和一个或多个隐含层（图中只画出一层），如图1所示，一层内的节点（神经元）只和与该层紧邻的下一层的各节点连接。这个网络的学习过程由正向传播和反向传播两个过程组成。在正向传播过程中，输入信息从输入层经隐含层逐层处理，并向后传向输出层，每一层神经元的状态只影响下一层神经元的状态。如果在输出层不能得到期望的输出，则转向反向传播过程，将误差信号沿原来的连接通路返回，通过修改各层神经元的权值，使得误差信号最小[2]。

实际上，BP模型把一组样本的输入输出问题变为一个非线性优化问题。我们可以把这种模型看成一个从输入到输出的映射，这个映射是高度非线性的。如果输入节点数为n，输出节点数为m，则神经网络表示的是从n维欧氏空间到m维欧氏空间的映射。

第一，利润预测的BP算法。利用BP算法进行利润预测与常规方法（如回归分析）不同，常规方法是根据提供的数据找出描述利润与影响其变化的诸多因素之间关系的函数表达式，然后进行预测；而BP算法则是把利润与影响其变化的诸多因素之间的映射关系隐含在网络结构及其权值上，经过学习确定具有较好预测功能的网络结构及权值，此时的神经网络等同于确定的函数表达式，可用来进行利润预测。

通过上述网络训练，得到了确定的神经网络结构及其权值，该网络能很好的描述影响利润变化的因素与利润之间的映射关系，可根据影响利润的因素进行利润预测。

第二，实例验证。以建筑面积为输入，施工利润为输出，构造BP神经网络的学习样本，结果表1所示。

表1 训练BP神经网络的样本

本文所用的BP网络结构为：1-47-7-1（分别表示输入层、第一隐含层、第二隐含层、输出层神经元的个数）。用表1的10个样本对BP神经网络进行训练，网络经过训练之后，描述了一个时期内建筑面积与施工利润之间确定的映射关系，该网络只要给出施工的建筑面积即可预测出这个时期的施工利润。用回归分析得出了建筑面积与施工利润之间的映射关系：

其中，x为建筑面积，单位：1000m2，y为施工利润，单位：万元。

表2 BP神经网络方法与回归分析方法利润预测比较

本文BP神经网络方法与文献]所用的回归分析方法进行了比较，结果如表2与图，可以看出BP神经网络算法在企业利润中进行预测较好。